Maximum likelihood estimation and inference for high dimensional generalized factor models with application to factor-augmented regressions
高维广义因子模型的极大似然估计与推断：因子扩展回归应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究具有个体和时间维度的高维广义因子模型，并分析估计因子用于回归和预测时的推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维广义因子模型的极大似然估计与推断：因子扩展回归应用
- 研究问题
- 当高维因子数据包含非线性响应或混合分布时，如何刻画因子与载荷估计误差，并对因子扩展回归进行推断？
- 方法与思路
- 作者研究广义因子模型的极大似然估计，允许多种单指标响应及随个体和时间变化的分布，并分析生成因子回归。
- 材料陈述的贡献
- 摘要称建立因子与载荷空间收敛率及渐近正态性，并给出因子扩展回归参数、条件均值和预测的极限分布。
- 阅读关注点
- 应核对个体数与时间长度的相对增长条件、因子归一化和分布设定，以及估计因子的误差如何传入回归与预测。
- 阅读边界
- 仅依据所给出版社摘要；具体增长限制和正则条件未说明，所述多种响应模型的结果也不能直接推广至任意分布。
原文摘要
This paper reestablishes the main results in Bai (2003) and Bai and Ng (2006) for generalized factor models, with slightly stronger conditions on the relative magnitude of N (number of subjects) and T (number of time periods). Convergence rates of the estimated factor space and loading space and asymptotic normality of the estimated factors and loadings are established under mild conditions that allow for linear, Logit, Probit, Tobit, Poisson and some other single-index nonlinear models. The probability density/mass function is allowed to vary across subjects and time, thus mixed models are also allowed for. For factor-augmented regressions, this paper establishes the limit distributions of the parameter estimates, the conditional mean, and the forecast when factors estimated from nonlinear/mixed data are used as proxies for the true factors.